Jev 案例：简历与 JD 匹配打分（完整代码）
TL;DR： 本示例用 Jev 1.13 上的一道打分题完成简历与 JD 的匹配打分：返回 1-10 的分数、置信度，以及招聘人员可以直接审计的一句话依据。完整请求体、示例数据（example fixture）响应和可运行 Python 脚本见下文。
场景
我们公司一个职位开放后能收到两百多份简历。招聘人员的第一遍筛选——打开简历、对照 JD、写一句备注——每人要花十分钟，而且到了周五下午，筛选质量会明显漂移。我们并不想把招聘决策自动化，只想把”第一遍备注”自动化：每份申请在人工过目之前，先拿到一个匹配分和一句解释。
我们选的工具是 Jev——TypeSafe AI 发布的 System One 判断模型，2026 年 9 月上线——把它当打分题用：
给这份简历与这份 JD 的匹配程度打分，1 到 10 分。
返回的是类型化 JSON：answer（分数）、scale、confidence、rationale。与让通用聊天模型做同一件事相比（差异在Jev 与 LLM-as-a-judge 对比指南里有展开），区别在工程层面：答案以固定结构返回并带置信度，兜底规则（“低置信度 → 人工再看一遍”）就是一次数值比较，而不是一次文本解析练习。我们要的不是求职信，而是一个能排序的数字，附带证据。
一个比任何提示词都重要的政策说明：分数不自动淘汰任何人。它只负责给队列排序、标记明显不匹配的申请。决策永远由人来做。
请求
{
"model": "typesafe/jev-1.13",
"messages": [
{
"role": "system",
"content": "Scoring question. Score how well the resume fits the job description, on a scale of 1 to 10. Reply with JSON only: {\"answer\": <1-10>, \"scale\": [1, 10], \"confidence\": <0-1>, \"rationale\": <one sentence>}"
},
{
"role": "user",
"content": "Job description:\nSenior Backend Engineer: 5+ years of Python, PostgreSQL, Kubernetes. Owns payment services. Remote-friendly, EU time zones.\n\nResume:\n8 years backend, mostly Python and Go. Ran the billing platform at a fintech: PostgreSQL at 2TB, deployed on Kubernetes. Based in Berlin. Last role: Staff Engineer, payments."
}
]
}响应
示例数据（example fixture）——用于说明格式，不是线上实测抓包：
{
"answer": 8,
"scale": [1, 10],
"confidence": 0.86,
"rationale": "Exceeds the Python and payments-service requirements and matches the Kubernetes and EU-location criteria, with less evidence of day-to-day PostgreSQL ownership at scale."
}rationale 才是招聘人员真正读的部分。它同时说清了加分项和扣分项——这本来就是一份好的初筛备注该有的样子。
复现脚本
保存为 fit.py，设置环境变量 OPENROUTER_API_KEY 后运行 python3 fit.py：
import json, os, urllib.request
URL = "https://openrouter.ai/api/v1/chat/completions"
MODEL = "typesafe/jev-1.13" # confirm exact slug on the OpenRouter model page
JD = """Senior Backend Engineer: 5+ years of Python, PostgreSQL,
Kubernetes. Owns payment services. Remote-friendly, EU time zones."""
RESUME = """8 years backend, mostly Python and Go. Ran the billing
platform at a fintech: PostgreSQL at 2TB, deployed on Kubernetes.
Based in Berlin. Last role: Staff Engineer, payments."""
SYSTEM = ('Scoring question. Score how well the resume fits the job '
'description, on a scale of 1 to 10. Reply with JSON only: '
'{"answer": <1-10>, "scale": [1, 10], "confidence": <0-1>, '
'"rationale": <one sentence>}')
body = {"model": MODEL, "messages": [
{"role": "system", "content": SYSTEM},
{"role": "user", "content": "Job description:\n" + JD + "\n\nResume:\n" + RESUME}]}
req = urllib.request.Request(URL, data=json.dumps(body).encode(),
headers={"Authorization": "Bearer " + os.environ["OPENROUTER_API_KEY"],
"Content-Type": "application/json"})
with urllib.request.urlopen(req) as res:
payload = json.load(res)
result = json.loads(payload["choices"][0]["message"]["content"])
print(result["answer"], result["confidence"])
print(result["rationale"])关键参数
| 字段 | 取值 | 说明 |
|---|---|---|
model | typesafe/jev-1.13 | 固定版本，整批候选人的分数才有可比性。准确 slug 请以 OpenRouter 模型页为准。 |
messages[0]（system） | 打分题 + 量程 + JSON 结构 | 固定标尺（1-10）加固定输出结构，分数才能排序。 |
messages[1]（user） | 先 JD 后简历，各自带标签 | 两个文本块都要显式标注；不标注就是让模型猜哪段是哪段。 |
answer（响应） | 8 | 申请队列的排序键。 |
scale（响应） | [1, 10] | 回显标尺，每次调用顺手做个哨兵检查。 |
confidence（响应） | 0.86（示例数据） | 低置信度的分数回到人工 pile 的顶部，而不是底部。 |
rationale（响应） | 一句话 | 可审计的初筛备注。 |
| 价格 | $0.0462 / 1M input tokens | 每份申请一次调用；预算前请在 OpenRouter 核对当前价格。 |
注意事项
- 响应为示例数据（example fixture）；字段名请与官方文档核对后再依赖。官方 API 细节在 typesafe.ai，入口是System One 模型发布公告。
- 上线前请在 OpenRouter 模型页确认准确的模型 slug（
typesafe/jev-1.13）。 - 招聘数据是敏感数据：只传打分必需的内容，遵守你们的数据处理规定，并确认 OpenRouter 请求的处理位置。
- 信任排序结果之前先做偏差审计：拿一组固定样本跑打分，逐条读 rationale，看有没有人口统计学特征泄漏进评分。
- 适用于 Jev 1.13（2026 年 9 月发布），演示渠道为 OpenRouter。